Для получения разговаривающего ИИ нужно применить вопросно-ответные паттерны к алгоритму прогнозирования. Этот принцип изобрел я, в 2015 году, можно сказать один из первых в мире. И это изобретение было не тыком в звезды, а результатом измышлений на протяжении нескольких лет.

Алгоритм пронозирования, это просто классификатор. И нейронные сетки, которые сейчас применяют, это просто непрерывный классификатор, а не дискретный, как представляют большинство.

Мир существует по правилам, независимо от того, знаем мы эти правила или нет. И этих правил неисчислимое множество. И алгоритомов классификации-прогнозирования неисчислимое множество.

Всякий алгоритм прогнозирования может прогнозировать, но не всякий из них является эффективным для множества интересуемых правил. Можно сказать, что любой из алгоритмов прогнозирования-классифкации имеет свою область эффективности. И не существует универсального монолитного и эффективного алгоритма на все случаи жизни, чтобы он был эффективным для всего. И шаг влево-вправо и там уже будет эффективным несколько другой алгоритм.

Все написанное выше касается и нейронных сеток, трансформаторов или других вариантов нейросеток.

И решением для реального AGI будет комплекс алгоритмов. Такой комплекс, которого будет достаточно, чтобы он смог дальше изобретать и встраивать в себя новые кусочки алгоритмов прогнозирования.

Хочу предложить к обозрению небольшую коллекцию функций, для удобной работы со списком структур. Такие списки представляются как таблицы, к ним со временем у меня приработался своеобразный функционал.

Вот как бывает, пишешь программу, и вдруг видишь, что какой-то кусочек повторяется, и даже не второй раз. Начинаешь понимать, что это кандидат на новую функцию. Не потому, что логика обосабливаемая, а просто потому, что оно повторяется.

Этот кусочек нужно скопипастить, выбрать ему место, подровнять, дать имя этой новорожденной функции, и всем ее параметрам и переменным. Ведь теперь это самостоятельная функция, а не какой-то там временный тестовый код.

И вот получилась маленькая красивенькая функция, которая имеет всего одну функцию, один смысл, одну аккуратную страницу кода. Рекурсия блестит и сверкает своей стройностью и логичностью. В ней ничего лишнего, к ней ничего не нужно добавлять. Пока...

Некоторое время назад обратились ко мне с вопросом, как сделать программу, которая будет выигрывать в покер. После некоторого количества обсуждений, заказчик не захотел узнавать результат моих размышлений на эту тему, посчитал что дорого. Поэтому я разместил эти свои размышления здесь и за бесплатно.

Так же будет небольшая программка, которая может грубо и быстро обсчитать начальный расклад.

Сразу оговорюсь, что я в покер не играю, и знаю его хуже чем те, кто играет свои первые партии в жизни. Но может это не так уж и важно?

struct Stat {
	uint value; // прогнозируемое значение
	uint count; // количество прошедших таких значений

	// функция index используется шаблонным классом Index - ключ для rb-дерева
	static uint index(const Stat& s) { return s.value; }

	Ptrn* owner;

	double probability() const { return (double)count/(double)owner->sum_count_of_stat; }
};

// шаблонный класс Index это rb-дерево,
//  первый параметр шаблона — тип значения по которому происходит сортировка,
//  второй, это класс сохраняемых значений в узлах. Этот класс должен содержать
//  функцию index.

struct Ptrn {
	// узел, подсчитывающий, какое распределение вероятностей будет
	// следовать за значением value
	uint value;

	Index<uint,Stat> index_of_stat; // распределение вероятностей
	uint sum_count_of_stat;
	
	// путем добавления к текущему value еще влево
	//   будут образовываться паттерны
	Index<uint,Ptrn> index_of_prev;
	static uint index(const Ptrn& s) { return s.value; }

	Ptrn* owner; // owner->index_of_prev->find(value) == this,
	                     // для root этот owner равен nullptr
};

Ptrn root;